IJCAIMay, 2019

基于类别图的弱监督少样本学习的原型传播网络 (PPN)

PDF
TL;DR本文介绍一种基于原型传播网络 (PPN) 的元学习方法来改善少样本分类任务的性能，该方法可以使用粗标签进行弱监督，通过原型在类别图上的传播来学习注意机制以实现不同少样本任务上的高准确率。
发现论文，激发创造
  • 图元学习中的传播学习

    本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

    Sep, 2019

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 学习传播标签：一种用于少样本学习的转导传播网络

    本文提出了一种新的元学习方法 —— 传导传播网络（TPN），用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法，并在多个基准数据集上验证了其表现，结果表明 TPN 在有标签数量较少的情况下表现出色，取得最先进的结果。

    May, 2018

  • 基于图原型网络的带属性网络小样本学习

    本文提出一种基于图元学习的框架，名为 GPN，用于在属性网络上进行少样本节点分类任务，经过大量实验证明 GPN 模型的优越性。

    Jun, 2020

  • 使用原型网络的半监督和主动少样本学习

    本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

    Nov, 2017

  • DPGN: 分布传播图网络用于 Few-shot 学习

    提出了一种基于图网络的元学习方法，并将其扩展到 1 对 N 的分布级关系建模上，最终构建了一个名为 DPGN 的新方法来进行 few-shot learning，同时使用双重完整图网络来结合分布级关系和实例级关系，可在几代更新中将标签信息从已标记的示例传播到未标记的示例。在 few-shot learning 基准测试上，DPGN 在受监督和半监督设置下都比最先进的结果表现更好。

    Mar, 2020

  • 少样本学习的原型网络

    本文提出一种少样本学习方法，即使用原型网络从小样本中抽象出原型，将其映射到一个度量空间中，比较测试样本和原型之间的距离来进行分类，同时还将其拓展到零样本学习，取得了最先进的结果。

    Mar, 2017

  • LPN：语言引导原型网络用于小样本分类

    本文提出了一种基于语言引导的原型网络 (LPN)，通过引入语言模态和计算视觉特征向量之间的相似性，从而改进了少样本分类任务。实验结果表明，该方法在基准数据集上具有与最先进方法相当的竞争力。

    Jul, 2023

  • PTN: 一种用于半监督少样本学习的泊松转移网络

    本文提出一种 Poisson Transfer Network 方法来解决半监督 few-shot 学习的问题，通过 Poisson Merriman Bence Osher (MBO) 模型和对比学习来挖掘未标记数据，并且扩展了嵌入泛化度量，以提高模型性能。

    Dec, 2020

  • 组合原型网络用于小样本图像分类

    本文提出了 Compositional Prototypical Networks（CPN）以及学习转移原型和元知识的方法，以提高特征重用性并取得了在不同数据集和设置下的最先进的结果。

    Jun, 2023